本文關(guān)鍵詞：松嫩平原典型土壤有機質(zhì)高光譜預(yù)測模型研究

  更多相關(guān)文章： 高光譜遙感 土壤有機質(zhì) 土壤光譜分類

【摘要】：利用高光譜遙感建立精確的土壤有機質(zhì)預(yù)測模型,是實現(xiàn)土壤有機質(zhì)的快速測定、精準農(nóng)業(yè)、土壤碳庫估算的必然要求。準確的掌握土壤分布信息是土壤制圖及建立土壤數(shù)據(jù)庫的重要依據(jù),對我國土地管理及土地利用規(guī)劃具有重要的指導(dǎo)意義。土壤高光譜遙感預(yù)測模型已被用于土壤有機質(zhì)、氧化鐵、水分等屬性的快速測定,其中,偏最小二乘回歸(PLSR)因其能夠有效解決變量存在的共線性,而被廣泛應(yīng)用于土壤理化性質(zhì)高光譜預(yù)測模型,但模型輸入量(高光譜反射率的數(shù)學(xué)變換形式、波長范圍、光譜分辨率等)的確定存在明顯的主觀性。本研究以實驗室測得土壤反射率為研究對象,通過正交試驗設(shè)計(Orthogonal experimental design,OED)確定土壤有機質(zhì)PLSR預(yù)測模型最優(yōu)輸入量,并運用單一土類(黑土)及不同土壤類型進行了驗證。經(jīng)過驗證發(fā)現(xiàn),OED能夠有效的確定土壤有機質(zhì)PLSR模型最優(yōu)輸入量,單一土類(黑土)的最優(yōu)輸入量為光譜分辨率25nm下,1000-2450nm的倒數(shù)對數(shù)微分(RPD=3.45);不同土壤類型最優(yōu)輸入量為光譜分辨率5nm下,400-2450nm的倒數(shù)對數(shù)微分(RPD=2.58),兩者最優(yōu)數(shù)學(xué)變換形式均為倒數(shù)對數(shù)微分,該結(jié)果為土壤有機質(zhì)PLSR模型預(yù)測提供新的途徑同時也增強了不同學(xué)者研究成果的可比性。為減少模型輸入量,本研究繪制了土壤有機質(zhì)與不同數(shù)學(xué)變換形式光譜分辨率的相關(guān)系數(shù)曲線圖,分別提取了13個關(guān)鍵點作為PLSR和MSR模型的輸入量。結(jié)果表明:1)采用關(guān)鍵點作為土壤有機質(zhì)PLSR預(yù)測模型的輸入量可以有效減少模型輸入量個數(shù)并保持與最優(yōu)輸入量相似的預(yù)測能力(RPD=3.12,2.33),為有機質(zhì)含量速測提供了新途徑。2)采取關(guān)鍵點作為輸入量PLSR土壤有機質(zhì)預(yù)測能力要高于MSR模型,二者均可以滿足黑土有機質(zhì)的快速測定(RPD3.0),對于不同土壤類型有機質(zhì)含量預(yù)測二者預(yù)測能力相似(2.0RPD2.5)。3)不同土壤類型由于成土母質(zhì)、理化性質(zhì)的不同,土壤光譜特征也存在差異,因此導(dǎo)致模型精度普遍低于單一土類。基于層次的模糊K均值聚類對土壤進行分類,最終將土壤分為五類,分類結(jié)果大體與實際采樣結(jié)果相似。土壤經(jīng)過光譜分類后,全局模型精度由原來的0.76和2.04提高到0.83和2.42。4)基于光譜特征參數(shù)提取的光譜角匹配將土壤光譜曲線分為三類,全局模型預(yù)測精度季穩(wěn)定性均有所提高(0.85和2.60),模型RPD2.5,有很好的預(yù)測能力。綜上所述,土壤光譜定量分類能夠有效的提高土壤有機質(zhì)預(yù)測模型精度,且基于光譜特征參數(shù)的光譜角匹配能夠獲取較高的預(yù)測精度,為土壤光譜分類提供了新的思路。
【關(guān)鍵詞】：高光譜遙感 土壤有機質(zhì) 土壤光譜分類
【學(xué)位授予單位】：東北農(nóng)業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：S153.621;S127
【目錄】：

• 摘要8-9
• 英文摘要9-11
• 1 引言11-20
• 1.1 研究目的及意義11-13
• 1.1.1 研究背景11
• 1.1.2 研究目的意義11-13
• 1.2 國內(nèi)外研究動態(tài)13-17
• 1.2.1 土壤高光譜遙感研究動態(tài)13-14
• 1.2.2 土壤有機質(zhì)高光譜預(yù)測模型研究進展14-16
• 1.2.3 土壤光譜分類在土壤有機質(zhì)含量預(yù)測中的應(yīng)用16-17
• 1.3 研究內(nèi)容、研究方法及技術(shù)路線17-19
• 1.3.1 研究內(nèi)容及方法17-18
• 1.3.2 技術(shù)路線18-19
• 1.4 研究重點和難點19
• 1.5 預(yù)期創(chuàng)新點19-20
• 2 理論基礎(chǔ)與建模方法20-25
• 2.1 遙感相關(guān)概念20
• 2.2 土壤有機質(zhì)高光譜建模方法20-23
• 2.2.1 偏最小二乘回歸20-21
• 2.2.2 多元逐步回歸21-22
• 2.2.3 正交試驗設(shè)計22-23
• 2.3 土壤有機質(zhì)高光譜預(yù)測模型精度評價23-25
• 2.3.1 交叉驗證方法23-24
• 2.3.2 模型精度評價方法及指標24-25
• 3 研究區(qū)概況與數(shù)據(jù)處理25-30
• 3.1 研究區(qū)概況25-26
• 3.1.1 地理位置25
• 3.1.2 氣候條件25
• 3.1.3 土壤條件25-26
• 3.2 樣品采集與測試26-27
• 3.2.1 土壤樣品采集26
• 3.2.2 室內(nèi)土壤高光譜測試26-27
• 3.3 光譜數(shù)據(jù)預(yù)處理27-30
• 3.3.1 九點加權(quán)移動平均法28
• 3.3.2 連續(xù)統(tǒng)處理28
• 3.3.3 微分處理技術(shù)28-29
• 3.3.4 光譜數(shù)據(jù)重采樣29-30
• 4 松嫩平原典型土壤有機質(zhì)含量高光譜預(yù)測30-41
• 4.1 土壤有機質(zhì)反射光譜特征分析30-32
• 4.1.1 單一土壤（黑土）有機質(zhì)反射光譜特征分析30-31
• 4.1.2 不同類型土壤有機質(zhì)高光譜特征分析31-32
• 4.2 土壤有機質(zhì)高光譜PLSR最優(yōu)輸入量的確定32-36
• 4.2.1 正交試驗設(shè)計確定土壤有機質(zhì)高光譜PLSR最優(yōu)輸入量32-33
• 4.2.2 單一土類（黑土）正交試驗設(shè)計結(jié)果驗證33-35
• 4.2.3 不同土壤類型正交試驗設(shè)計結(jié)果驗證35-36
• 4.3 基于反射光譜特征的土壤有機質(zhì)含量預(yù)測36-38
• 4.3.1 土壤光譜特征關(guān)鍵點（KP）的提取36-37
• 4.3.2 PLSR及MSR建模結(jié)果對比分析37-38
• 4.4 小結(jié)38-41
• 5 光譜定量分類在土壤有機質(zhì)高光譜預(yù)測中的應(yīng)用41-53
• 5.1 基于土壤反射光譜聚類分析的有機質(zhì)預(yù)測模型42-47
• 5.1.1 兩階聚類確定最佳分類數(shù)目43-44
• 5.1.2 基于聚類分析分類的預(yù)測模型44-47
• 5.2 基于土壤反射光譜角分類的有機質(zhì)預(yù)測模型47-51
• 5.2.1 光譜角度匹配47
• 5.2.2 基于土壤特征參數(shù)提取的光譜角匹配47-48
• 5.2.3 基于土壤反射光譜特征分類的預(yù)測模型48-51
• 5.3 小結(jié)51-53
• 6 結(jié)論與展望53-55
• 6.1 結(jié)論53-54
• 6.2 不足與展望54-55
• 致謝55-57
• 參考文獻57-63
• 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文63

，

本文編號：881400